Damage Detection for a Cantilevered Steel I-Beam through Deep-Learning Methods: LSTM, Multivariate Time-Series Transformer, and LSTM-Based Autoencoder
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The structural integrity of steel trusses and I-beams is of vital importance for preventing the potential collapse of steel bridges when subjected to extraordinary forces. Thus, identifying damage to I-beams, which cannot be noticed in typical inspections, based on their measured response, would enable early damage detection, and would trigger the necessary mitigation measures to restore the structural integrity of the bridge. This investigation built a vast database of structurally damaged cantilever I-beams, in which openings of various degrees and locations were placed along the beams to emulate reductions in stiffness. Both damaged and undamaged I-beams were modeled using Abaqus software, facilitated by Python scripting. Three deep-learning algorithms were trained, validated and tested with the healthy and damaged I-beam cases: long short-term memory (LSTM), a LSTM-based autoencoder, and multivariate time-series transformers (MTTs), for which the input data consisted of acceleration responses recorded at specific points on the top flange of both undamaged and damaged I-beams subjected to harmonic dynamic loads. To enhance adaptation for field monitoring data, random normal noise was introduced into the acceleration responses before running the machine learning (ML) damage identification algorithms. The three algorithms demonstrated exceptional ability to accurately distinguish between the damaged and the undamaged I-beams. Furthermore, the location of the damage on the beam was identified by the LSTM and MTT algorithms, which had the best accuracy for damage localization. Finally, a comparative analysis of the three algorithms was conducted to clarify the optimal quantity of data points required to attain reliable results.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle